
制约商务智能在制造业大规模应用的因素
商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理,以保证数据的正确性,然后经过抽取(Extraction)、转换(Transformation)和装载(Load),即ETL过程,合并到一个企业级的数据仓库里,从而得到企业数据的一个全局视图,在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理(这时信息变为辅助决策的知识),最后将知识呈现给管理者,为管理者的决策过程提供支持。
一、国内市场
目前,国内商务智能(BI)的竞争者主要分为三类:国外厂商、国内厂商、外围厂商。
1、国外厂商:加速并购,完善产品
近几年,国际商务智能(BI)厂商加速了完善自身产品线的进程,表现为近几年商务智能(BI)领域的并购越来越热,新解决方案的不断推出。
对于国内市场,这些国际巨头已经认识到其潜力巨大,在过去的几年里,已经有很多国际巨头进入中国,成立办事处和研发中心,加强了国内市场的投入:
SAS、Brio很早就进入中国,开始攻城掠地。
Cognos由国家信息中心的北京优信佳公司作为其总代理,在国内销售、实施其产品,2006年7 月18 日,Cognos 公司宣布在中国发布Cognos 8BI解决方案(下称“Cognos8”)。
MicroStrategy在2003年11月6日宣布,通过其在大中国区的惟一总代理FirstBI公司代理销售其软件和服务,推广它的中文版产品,向中国企业提供数据分析软件。
Business Objects 在2003年底并购了 Crystal
之后,便紧锣密鼓地开始在中国市场布局。2004年1月在上海成立大中华区,紧接着推出了整合之前的过渡产品 Crystal Enterprise10
和Business Objects 6.5,2005年年初推出了两家产品整合后的 XI 平台。[page]
2、国内厂商两手准备
几年前,国内厂商通过与国际商务智能(BI)厂商合作代理其产品,积累了在商务智能(BI)领域产品、实施方面的经验,而现在多数国内厂商已有了自身独立的商务智能(BI)产品,虽然在功能上还需要不断完善,但已经迈出了坚实的一步。如在2003年Brio与金蝶达成战略合作伙伴关系,金蝶作为Brio的顶级代理商,把Brio
Performance Suite捆绑到金蝶的企业信息化整体解决方案中,在合作近1年后,金蝶通过OEM方式推出了自己的EPM产品。
面对国际商务智能(BI)巨头的竞争,国内厂商如金蝶、用友、创智等一方面同这些巨头建立良好的合作关系以维持发展,另一方面也在积极提升产品和解决方案的内在品质,向客户提供更完美的决策支持服务,争取与国外厂商一比高低。
3、外围厂商:渗透进入
外围的ERP等管理系统厂商显然不甘心看到众多专业BI厂商独自瓜分市场份额,于是他们首先在已有的ERP、SCM、CRM等客户上做文章,在ERP等产品上推出了集成的BI产品,在市场推广上也着重强调其系统的完整性与集成性,这让其产品在销售上取得了一定程度的优势。如SAP推出了其商务智能(BI)的产品SAP BW,重点强调SAP BW系统与R/3 ERP系统的完整性与集成性的优势。
同时,笔者预计,在未来的几年内,将会有为数不少的企业会进入这个市场,这个市场的竞争也将更加激烈。
二、国内制造业BI的应用
虽说几乎每个中国的企业都需要商务智能,但目前国内的应用主要集中在金融服务业(如银行、保险等)、电信业、航空业等资金充足、信息化起步较早、迫切需要数据分析的行业(这也是目前国内BI厂商关注的重点行业),国内的制造业企业在信息化建设方面起步较晚,而商务智能(BI)真正发挥其作用是需要底层的数据作为支撑的,否则就是“无源之水”,企业只有在应用ERP、CRM、SCM等系统3年以后,数据积累到一定程度以后,才会选择使用商务智能(BI)系统,商务智能(BI)系统在这时候也才会显现其价值。笔者认为制约商务智能(BI)在国内大规模应用的条件主要有:
1、目前,国产的商务智能(BI)系统在功能上还很不完善,与国外软件相比有较大的差距。而国外软件在价格上普遍较高。
2、国内的成熟、专业的商务智能(BI)实施顾问较少。
3、销售渠道的建立。目前,多数商务智能(BI)厂商是通过分公司或办事处来销售的,而未来国内制造业企业多数需要本地化服务,这种模式必将改变,但商务智能(BI)的销售、服务要求代理商要有很强的能力,如何选择、培养、发展这些代理商将是国内商务智能(BI)厂商面临的一个问题。
4、商务智能(BI)系统最昂贵的地方不是平台,而是模型,但目前由于国内市场应用BI的企业并不多,应用深入的更少,应用基础也比较薄弱,即使拿来国外先进的商业模型也不一定运转起来,所以尽快建立各种适合国内企业特色的模型是各商务智能(BI)厂商未来要投入大力解决的。
商务智能(BI)要想在国内制造业中大规模的普及,必须要解决好以上问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15